کاربرد ماشین های بردار پشتیبان برای تهیه نقشه پوشش/ کاربری اراضی از تصاویر ماهواره لندست

سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 50

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JSW-32-6_011

تاریخ نمایه سازی: 8 آبان 1402

چکیده مقاله:

آگاهی از وضعیت پوشش زمین و نوع کاربری­های آن برای بسیاری از مطالعات زیست­ محیطی، تغییرات اقلیمی و مدیریت منابع خاک و آب ضروری است. امروزه به­طور فزاینده­ای از اطلاعات سنجش از دور، که از ماهواره­ها بدست می­آیند، برای تهیه نقشه پوشش/کاربری اراضی استفاده می­شود. هدف از این مطالعه بررسی کارایی ماشین­های بردار پشتیبان برای طبقه­بندی تصاویر ماهواره لندست ۸ به منظور تهیه نقشه­های پوشش/کاربری اراضی حوضه آبخیز سد گاوشان در غرب ایران با مساحتی در حدود ۲۰۶ هزار هکتار و نیز مقایسه آن با شبکه­های عصبی مصنوعی بود. بدین­منظور از ۱۳۲۰ نقطه به عنوان نقاط کنترل زمینی یا نقاط مرجع استفاده شد. کلاس کاربری در هر نقطه با پیمایش صحرایی و یا با استفاده از تصاویر گوگل ارث مشخص گردید. برای ترکیب ماشین­های بردار پشتیبان دودویی برای طبقه­بندی چند کلاسه از استراتژی­های یک در مقابل یک، یک در مقابل همه و ترتیبی استفاده شد. همچنین در هر استراتژی کرنل­های مختلف خطی، چند جمله­ای و شعاعی بکار گرفته شد. بر این اساس در بین مدل­های مختلف ایجاد شده بهترین عملکرد بر اساس روش یک در مقابل یک و تابع کرنل چند جمله­ای درجه سه به­دست آمد. آزمون مک­نمار نشان داد که کارایی مدل به­دست امده با صحت کلی ۵/۸۹ درصد و شاخص کاپای ۹/۸۴ به­طور معنی­داری از شبکه­های عصبی مصنوعی بالاتر است (۰۰۱/۰>P). نتایج این مطالعه نشان می­دهد که ماشین­های بردار پشتیبان در مقایسه با شبکه­های عصبی مصنوعی از کارایی بالاتری برای طبقه­بندی تصاویر ماهواره­ای برخوردارند؛ با اینحال صحت آنها به­طور قابل ملاحظه­ای متاثر از الگوی ترکیب ماشین­ها و نوع تابع کرنل می­باشد.

نویسندگان

محمد علی محمودی

دانشگاه کردستان

سهیلا مومینی

دانشگاه کردستان

مسعود داوری

دانشگاه کردستان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Allwein E., Schapire R., and Singer Y. ۲۰۰۰. Reducing multiclass ...
  • Atkinson P.M., and Tatnall A.R.L. ۱۹۹۷. Neural networks in remote ...
  • Bishap C.M. ۱۹۹۵. Neural networks for pattern recogniation. Oxford University ...
  • Congalton R.G. ۱۹۹۱. A review of assessing the accuracy of ...
  • Cortes C., and Vapnik V. ۱۹۹۵. Support-vector networks. Machine learning, ...
  • De Leeuw J., Jia H., Yang L., Liu X., Schmidt ...
  • Fisher P.F., Comber A.J., and Wadsworth R.A. ۲۰۰۵. Land use ...
  • Gualtieri J.A., and Cromp R.F. ۱۹۹۸. Support vector machines for ...
  • Hall F.G., Townshend J.R., and Engman E.T. ۱۹۹۵. Status of ...
  • Huang C., Davis L.S., Townshend J.R.G. ۲۰۰۲. An assessment of ...
  • Joachims T. ۱۹۹۸. Text categorization with support vector machines learning ...
  • Lippman R.P. ۱۹۸۷. An introduction to computing with neural nets. ...
  • Mather P.M. ۲۰۰۱. Computer Processing of Remotely-Sensed images: An Introduction. ...
  • Mathur A., Foody G.M. ۲۰۰۸. Crop classification by support vector ...
  • Otukei J.R., Blaschke T. ۲۰۱۰. Land cover change assessment using ...
  • Pal M., Mather P.M. ۲۰۰۵. Support vector machines for classification ...
  • Paola J.D., and Schowengerdt R.A. ۱۹۹۵. A review and analysis ...
  • Sellers P.J., Meeson B.W., Hall F.G., Asrar G., Murphy R.E., ...
  • Sudheer K.P., Gowda P., Chaubey I. and Howell T. ۲۰۱۰. ...
  • Townshend J.R.G. ۱۹۹۲. Land cover. International Journal of Remote Sensing, ...
  • Vapnik V.N. ۱۹۹۵. The Nature of Statistical Learning Theory. Springer-Verlag, ...
  • نمایش کامل مراجع